Services Données et intelligence artificielle
icitech accompagne les organisations qui souhaitent faire passer leurs applications LLM, assistant IA et IA générative de la preuve de concept à la production — en intervenant sur l'ensemble du périmètre : choix d'architecture, accès à la connaissance, évaluation et intégration au système existant.
01 Contexte
Mettre une preuve de concept GenAI sur pied en quelques jours est tout à fait réalisable. La véritable difficulté est ailleurs : connecter fiablement l'application à la base de connaissances approuvée par l'organisation, respecter les droits d'accès des utilisateurs, gérer systématiquement le risque de réponse incorrecte et intégrer le tout aux flux de travail réels. Que vos collaborateurs cherchent manuellement dans vingt documents, que les demandes clients soient encore classées à la main ou que vos responsables compilent des synthèses opérationnelles une à une : ce sont les signes les plus évidents qu'un projet IA n'a pas franchi l'étape de la preuve de concept. icitech gère cette transition par des décisions d'ingénierie structurées, une évaluation mesurable et une intégration approfondie au système d'information.
02 Contexte
Un LLM ne répond pas à chaque problème métier. icitech commence par préciser le besoin : s'agit-il de recherche documentaire, de synthèse, de génération de contenu, d'extraction de données structurées ou d'un flux de travail piloté par des outils ? Cette classification fonde le choix d'architecture. Les documents sources, les droits d'accès, la fraîcheur de l'information et le périmètre des données sensibles sont évalués avant de retenir l'approche — prompt seul, RAG, intégration d'outils structurés ou architecture hybride — selon le besoin métier réel. Le choix du modèle et du fournisseur intervient après cette étape, pas avant.
03 Périmètre
Les services IA générative d'icitech se concentrent sur quatre domaines.
Les modèles de langage orientés domaine, entraînés sur la terminologie et les sources approuvées de l'organisation, fournissent des réponses fondées sur des documents plutôt que des réponses génériques. La couche de récupération est structurée selon le modèle de droits d'accès : l'utilisateur ne reçoit des réponses qu'à partir des contenus auxquels il est autorisé à accéder.
Une interface et un backend spécifiques peuvent être développés pour des cas d'usage tels que le support collaborateur, le libre-service client, la découverte produit ou l'assistance opérationnelle. L'approche appliquée dans JO.ai — conversion d'une saisie photo, audio ou texte en tâche hôtelière structurée — illustre concrètement comment une interface IA générative peut s'articuler avec un flux de travail opérationnel. La démarche audio et texte utilisée dans Herapy est, pour sa part, un exemple de positionnement explicite des limites de l'expérience utilisateur IA dès la phase de cadrage.
Les approches d'extraction qui convertissent des e-mails, des formulaires ou du texte libre en une structure JSON définie ou en champs de données relient les processus de tri de tickets ou les tâches de saisie au système d'automatisation des flux de travail. Dans la classification des demandes de support, l'intervenant humain se concentre alors sur la gestion des exceptions plutôt que sur l'attribution de catégories.
L'IA générative transforme les informations issues de sources de données autorisées en synthèses contextuelles, mettant ainsi du contenu prêt à l'emploi à la disposition des décideurs. Pour les processus à enjeux financiers, réglementaires ou de sécurité, la validation humaine est maintenue comme niveau de contrôle.
04 Contexte
En matière de qualité IA générative, « la réponse semble correcte » n'est pas un critère suffisant. Dès la phase prototype, icitech constitue un jeu de questions d'évaluation représentatif du cas d'usage en production. Ce jeu mesure la justesse des réponses, l'ancrage dans les sources, la pertinence de la récupération, la précision du repli, le taux d'accomplissement des tâches, la latence et le coût. L'évaluation de la qualité n'est pas une étape ponctuelle : sa continuité est assurée après le déploiement par des tests de régression à chaque modification. À l'issue du pilote, il devient mesurable de savoir si le temps de recherche documentaire a diminué, si la charge de classification des demandes de support a évolué ou si la préparation des rapports a été impactée.
05 Contexte
Les applications IA générative d'entreprise exigent une évaluation, cas d'usage par cas d'usage, des risques tels que l'injection de prompt, l'accès non autorisé aux données, les sorties sensibles, les hallucinations et le détournement d'outils. Pour chaque projet, icitech définit dès la phase de conception les limites d'action interdites, la politique de sortie, le comportement de repli et le mécanisme de validation humaine. Les conditions de conservation des données et de confidentialité des journaux chez le fournisseur sont clarifiées avant le démarrage du projet. Des plafonds de coût et un déploiement progressif auprès des utilisateurs permettent de maîtriser le passage en production.
06 Périmètre
L'ingénierie des données, l'intégration API, les couches mobile et web ainsi que l'infrastructure cloud sont conjointement nécessaires pour une IA en production. Le processus débute par la qualification et l'évaluation du cas d'usage, puis s'étend à la curation des connaissances et des droits d'accès, au prototype à périmètre restreint, à l'évaluation qualité-latence-coût, à l'ingénierie API/interface/intégration, à la conception des garde-fous et de la validation humaine, au lancement progressif auprès des utilisateurs, puis au suivi de l'usage, de la qualité et des coûts. Le périmètre de livraison comprend : l'évaluation des opportunités IA générative, l'architecture d'application LLM, la couche de récupération et d'ingestion des connaissances, l'interface de l'assistant IA, l'intégration aux outils d'entreprise, le jeu de données d'évaluation, le cadre d'évaluation de la qualité, les règles de garde-fous, le tableau de bord de suivi et la documentation technique. Le périmètre peut être étendu de manière modulaire à mesure que de nouveaux domaines, outils ou cas d'usage s'ajoutent.
07 FAQ
Les exigences ignorées en phase de preuve de concept — passage à l'échelle, latence, sécurité des données — deviennent des points de rupture critiques sous une charge réelle. Les décisions d'architecture doivent donc être prises dès le départ en tenant compte des conditions de production.
Il n'existe pas de réponse universelle : l'architecture adaptée dépend du cas d'usage, de l'infrastructure de données existante et des exigences de sécurité. Procéder à un choix architectural sans phase de cadrage préalable expose à des reprises coûteuses.
Le RAG offre plus de flexibilité et de maintenabilité lorsque l'application doit accéder à des informations récentes ou spécifiques à l'organisation. Le fine-tuning prend tout son sens lorsque vous souhaitez modifier durablement le comportement du modèle pour une tâche ou un registre précis.
Sans cadre d'évaluation systématique couvrant la justesse, la pertinence et la cohérence, il est difficile d'affirmer que la qualité en production est satisfaisante. Les approches mixtes combinant métriques automatiques et évaluation humaine produisent les résultats les plus fiables.
Les assistants collaborateurs s'appuient généralement sur une base de connaissances internes sensible aux droits d'accès et aux processus internes de l'organisation. Les assistants clients impliquent des exigences plus strictes en matière de voix de marque, d'intégration omnicanale et de garde-fous.
L'injection de prompt, la fuite de données non autorisée et les réponses hors périmètre figurent parmi les risques les plus fréquents. Les gérer efficacement requiert à la fois des garde-fous techniques et des politiques de gouvernance organisationnelle.
La complexité dépend en grande partie de la maturité des API existantes, de l'infrastructure d'authentification et des besoins de transfert des données. Une phase de cadrage technique en amont permet d'éviter des retards imprévus.
La classification basée sur LLM apporte une valeur concrète lorsque les systèmes à base de règles atteignent leurs limites face à la diversité linguistique ou à l'interprétation contextuelle. L'équilibre entre coût, latence et explicabilité doit néanmoins être évalué au cas par cas.
Les structures contraignant le modèle à s'appuyer exclusivement sur les documents sources, combinées à des mécanismes de citation, réduisent significativement le risque d'hallucination. Les flux hybrides soumettant les sorties à une revue humaine constituent une couche de garantie supplémentaire pour les décisions critiques.
Un périmètre type comprend une application opérationnelle, la documentation d'architecture et d'évaluation, ainsi que les supports de transfert à destination des équipes opérationnelles. Le transfert de compétences et l'infrastructure de suivi sont également inclus dans le périmètre pour assurer la maintenabilité à long terme.